机器学习
文章平均质量分 82
微笑小星
强化学习的信仰者,游戏开发的爱好者。
展开
-
神经网络压缩
视频教程链接:https://www.bilibili.com/video/BV1Wv411h7kN?p=86本文的内容主要讲解如何压缩一个较为庞大的神经网络,使其在较少参数的情况下,拥有和原来差不多的效能。这是因为在一些场景中,例如智能手表,它的内存是有限的,如果模型太过庞大,会导致无法运行在这样的小型智能物件上。下面来介绍五个常用做法:Network Pruning顾名思义,我们可以对神经网络进行修剪,树大必有枯枝。因此我们可以把没有用的参数找出来扔掉。确定参数重要性的方法有多种,我们可以把绝原创 2021-07-15 17:31:23 · 724 阅读 · 1 评论 -
机器终身学习与灾难性遗忘
原视频链接:https://www.bilibili.com/video/BV1Wv411h7kN?p=84按照我们以往的观点,当neural network的模型上线之后,我们可以源源不断地从网上获得反馈,获得新的资料,从而更好地更新我们的模型,达到life-long-learning的效果,使得模型越来越强大。但真的是这样吗?这里举一个例子,这里有两个Domain的任务,但非常类似,都是识别手写数字,区别是一个噪声较多,一个没有噪声,当模型学完任务一然后去做任务二的识别,已经可以达到96%的正确率了原创 2021-07-14 23:35:23 · 606 阅读 · 0 评论 -
关于手写数字MINIST数据集识别的究极完整版
MNIST数据集上识别准确率达99.43%的代码,四个模型可供选择,内含文件储存,导入,绘图等功能的完整代码。原创 2021-05-26 22:33:56 · 447 阅读 · 1 评论 -
pytorch实战教学(一篇管够)
参考B站视频使用更佳:https://www.bilibili.com/video/BV1Y7411d7Ys?p=5&spm_id_from=pageDriver个人博客:https://tianjuewudi.gitee.io/PyTorch是一个开源的Python机器学习库,基于Torch,用于自然语言处理等应用程序。它是一个基于Python的可续计算包,提供两个高级功能:1、具有强大的GPU加速的张量计算(如NumPy)。2、包含自动求导系统的深度神经网络。PyTorch和TensorF原创 2021-05-26 11:18:01 · 17008 阅读 · 8 评论 -
深度学习中的优化算法串讲
本文默认您已了解深度学习中的梯度下降算法的基本原理,在对深度学习有基本认识的基础上。如果尚未了解,可以查看我另外的文章《李宏毅机器学习2021》,《Python神经网络编程》。博客地址:https://tianjuewudi.gitee.io/基本框架首先优化算法的基本框架是:定义当前待优化的参数为θt∈Rd\theta_t \in R^dθt∈Rd,损失函数为J(θ),学习率为η\etaη,参数更新的框架为:计算损失函数关于当前参数的梯度:gt=∇J(θt)g_t = \nabla J原创 2021-05-26 00:13:05 · 180 阅读 · 1 评论 -
Pytorch使用GPU加速的步骤
CUDA(Compute Unified Device Architecture),是显卡厂商NVIDIA推出的运算平台。 CUDA是一种由NVIDIA推出的通用并行计算架构,该架构使GPU能够解决复杂的计算问题。近些年来,显卡的计算能力越来越强大,如果只是进行图形计算未免有些浪费性能,这个并行运算架构应运而生。首先,使用GPU加速前,确认自己硬件是否支持CUDA,可以自己去百度自己的显卡类型。可以在cmd窗口输入nvidia-smi命令来确认自己的显卡是否有CUDA。如果该命令无效,建议先去更新自己的显.原创 2021-05-17 22:36:13 · 11533 阅读 · 6 评论 -
Google Colab及其使用
注意:本文不提供访问外网的方法,默认你已能自由访问外网。Colaboratory 是一个 Google 研究项目,旨在帮助传播机器学习培训和研究成果。它是一个 Jupyter 笔记本环境,不需要进行任何设置就可以使用,并且完全在云端运行。Colaboratory 笔记本存储在 Google 云端硬盘中,并且可以共享,就如同您使用 Google 文档或表格一样。Colaboratory 可免费使用,包括它的GPU资源。利用Colaboratory ,可以方便的使用Keras,TensorFlow,Py原创 2021-05-11 09:54:02 · 5297 阅读 · 1 评论 -
Python神经网络编程
Python神经网络的编程实现和简单应用原创 2021-05-09 16:04:24 · 2242 阅读 · 0 评论 -
机器学习之k近邻算法
本文的代码基于书本《机器学习实战》概念k-近邻算法采用测量不同特征值之间距离的方法进行分类。工作原理是:存在一个样本数据集合,称作训练样本集,样本中每个数据都存在标签。输入没有标签的新数据后,将新数据的每个特征与样本集中数据对应的特征进行比较,算法提取样本集中特征最相似数据(最近邻)的分类标签,我们只选择样本数据集中前k个最相似的数据,使用的是欧式距离的计算公式,通常k是不大于20的整数,选择k个最相似数据中出现次数最多的分类作为新数据的分类,这就是k-近邻算法。算法简单示例import numpy原创 2021-04-04 16:14:25 · 251 阅读 · 1 评论